مدل‌سازي چهره با استفاده از ميانگين‌گيري بر پايه دگرديسي تصوير و تجزيه مرتبه پايين

Face Modeling using Morphing-based Averaging and Low-Rank Decomposition

در نظارت ويدئويي، زاويه ديد چهره نسبت به دوربين (انسداد زاويه­ اي) توانايي سيستم در شناسايي چهره را محدود مي‌سازد. در اين مقاله روشي براي رفع انسداد زاويه اي در تصاوير چهره پيشنهاد مي­شود كه مبتني بر دگرديسي تصوير بوده و با دريافت تعدادي تصوير زاويه ­دار از چهره يك شخص، تصويري از روبه­ رو مدل مي­سازد. روش پيشنهادي با تكنيك­ هايي از قبيل انتقال مكاني پيكسل­ هاي تصاوير ورودي با استفاده از توابع انتقال، درون يابي خطي و ميانگين­ گيري از شدت روشنايي آنها، مدل چهره از روبه­ رو را بدست مي­ آورد. براي بهبود تصوير مدل، روش پيشنهادي بر روي تصاوير ورودي واگرا (تصاوير چهره داراي زاويه قرينه نسبت به­ هم)، اعمال مي­ شود. سپس تصاوير مدل شده، با تجزيه مرتبه پايين، نسبت به­ هم تراز مي­ شوند. شبكه عصبي تابع پايه شعاعي به عنوان تابع انتقال براي اين روش در نظر گرفته شده است. از مزاياي اين روش عدم نياز به اطلاعات عمق در تصوير، كاليبره بودن تصاوير و اطلاعات زاويه چهره است كه معمولا در مدل­سازي سه بعدي استفاده مي ­شود. عملكرد الگوريتم روي تصاوير پايگاه داده PRIMA مورد بررسي قرار گرفته است. با فرض اينكه تصاوير چهره تنها داراي انسداد زاويه ­اي باشند، نتايج آزمايشات نشان مي­دهد كه روش پيشنهادي با دقت مناسبي تصوير نماي روبه روي چهره را مدل­سازي مي نمايد.

In video surveillance, the viewing angle of face with respect to camera, called angular occlusion (also referred to as head pose) will limit system’s ability in face recognition. In this paper, a method for angular occlusion elimination in face images is proposed, which is based on image morphing. The proposed method models a frontal face from a batch of images with different head poses belonging to a person. The frontal face is modeled through spatial interpolation of input image pixels using translation functions, linear interpolation and intensity averaging. In order to improve the modeling result, the proposed method is applied to divergent face images (face imageswithsymmetric poses). Then, low-rank decomposition is employed to align the modeled faces. Radial basis function neural network is considered for translation function. The main advantages of the proposed method is that in spite of common modeling methods, depth information, calibrated images and head pose data are not required. The algorithm’s performance on PRIMA dataset is investigated. Considering that the input face images only have variation in pose, experiment results show that the proposed method will model frontal face image with properaccuracy.